基于朴素贝叶斯的话题追踪及研究

随机学习方法（例如随机森林）在计算机视觉应用领域表现出较大的优势，考虑到采用结构简单的朴素贝叶斯代替这些算法中的复杂树形结构，可以不影响算法的性能，Godec等［87］提出将朴素贝叶斯应用于在线追踪任务，并采用实验验证了该方法的有效性。此外，在基于朴素贝叶斯的话题追踪研究中，为解决话题漂移问题，Godec等在相关研究中考虑了时序因素，提出了基于时序信息的话题特征权重计算方法。

给定训练集合χ=｛（s1，y1），（s2，y2），…，（sn，yn）｝，其中s∈RD为D维特征空间上的样本，y∈｛1，2，…，K｝为类标签，依据3.5节的贝叶斯理论，样本s上的分类问题可以被公式化为：

P（i）是类i的先验概率，P（y|s）是关于样本s和类i的未知条件概率分布，假设样本s的表示特征wi相互独立，则：

假设类分布服从独立的一致性假设，则分类器F可表示为：

基于以上理论，为了得到更好的分类效果，Godec等建立了随机朴素贝叶斯分类器集成，假设有B个分类器，每个分类器随机选择F个特征，对于类i条件下样本s的概率分布为：(www.xing528.com)

在话题识别与追踪领域，n个话题可以认为是n类，当追踪一个新报道s的话题归属时，实际上是判断该报道属于n个话题的哪一类，可采用式（3-15）所示的计算方法计算条件概率值，然后选择最大的条件概率，并通过阈值比较确定该报道的归属。

此外，为解决在线话题追踪中的时序噪声和概念漂移问题，研究者们在上述研究的基础上，融入了时间信息，给出新的权重计算公式：

wt为t时刻的权重，t0表示当前的更新时间，r用于表示遗忘速度。

此外，Li等［88］也提出应用朴素贝叶斯进行话题追踪。考虑到文本分类是话题追踪过程中的关键技术，而贝叶斯算法又是一个有效的文本分类模型，Li等将贝叶斯模型作为文本分类的关键技术，并结合向量空间模型，提出了一个基于贝叶斯网络的话题追踪系统，实验结果显示，该系统具有较好的追踪性能。